使用ARIMA模型与SVR对一组时间序列数据进行预测分析。从 UCI 数据库中查找 2010 年 1 月至 2010 年 7 月中的每一小时的 PM2.5 指数数据共计 5606 条。并将其对应成时间序列,分别通过 ARIMA 模型与 SVR 模型进行预测分析。详细设计见md文件。
在同一数据,且进行平稳性检验的前提下 SVR 模型得出的拟合值为 10.111,ARIMA 模型得出的拟合值为 0.079,综合得出结论:本案例中,在相同平稳时间序列的情况下,经过同同样的归一化处理后 ARIMA 模型的拟合值误差更小。也就是说 ARIMA 模型对于规模较大的时间序列数据,有更优的预测效果。
二、主要技术介绍
2.1 MSE 均方误差
MSE 用于衡量预测值和真实值之间的离差度其公式如下: